論文の概要: The Computational Value of Sensory-Aligned Receptive Fields Depends on Neuronal Expressivity

• arxiv url: http://arxiv.org/abs/2609.26940v1
• Date: Tue, 22 Sep 2026 18:27:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.727748
• Title: The Computational Value of Sensory-Aligned Receptive Fields Depends on Neuronal Expressivity
• Title（参考訳）: 感覚に適応した受容野の計算値は神経表現性に依存する
• Abstract要約: 受容場は空間性自体よりも先に計算として機能することを示す。 以上の結果から, 適切な受容場が, 空間性自体よりも先に計算として機能することが示唆された。
• 参考スコア（独自算出の注目度）: 2.931240348160871
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biological sensory neurons have selective receptive fields organized along meaningful stimulus coordinates, such as frequency, motion direction, or retinotopic position. Such structure may arise from efficient coding and biological constraints on activity, connectivity, and wiring, as computational studies of simple neurons have shown across modalities. This raises a question: do structured receptive fields confer a computational advantage beyond resource efficiency itself, and does this advantage persist when individual neurons are highly expressive? We address this question in recurrent networks of Expressive Leaky Memory neurons, where we can independently vary neuronal complexity and the organization of feed-forward receptive fields. Across auditory and event-based visual classification tasks, receptive fields aligned with a task-relevant sensory coordinate improve test accuracy relative to budget-matched random receptive fields. This advantage disappears when sensory coordinates are scrambled, or when receptive fields follow task-irrelevant coordinates, showing that the benefit comes from alignment with task geometry rather than restricted connectivity alone. Increasing neuronal complexity reduces the performance advantage of structured receptive fields. Finally, generic synaptic sparsity regularization induces input selectivity and partially recovers performance, but remains substantially below explicitly structured receptive fields, suggesting that sparsity alone is insufficient to recover the full computational benefit of task-aligned receptive fields. Together, our results show that appropriate receptive fields can serve as a computational prior beyond sparsity itself, and that their value depends on the computational expressivity of individual neurons.
• Abstract（参考訳）: 生物学的感覚ニューロンは、周波数、運動方向、網膜位置などの有意な刺激座標に沿って構成された選択的受容野を持つ。 このような構造は、単純なニューロンの計算的研究によって、活動、接続、配線に対する効率的なコーディングと生物学的制約から生じる可能性がある。 これは、構造化受容場は資源効率そのものよりも計算上の優位性を持ち、個々のニューロンが非常に表現力が高いときに、この優位性は持続するのだろうか? この問題は、神経の複雑さとフィードフォワード受容野の構成を独立に変化させることができる、Expressive Leaky Memoryのニューロンの繰り返しネットワークにおいて解決される。 聴覚および事象に基づく視覚的分類タスク全体において、タスク関連感覚座標に整合した受容場は、予算に適合したランダムな受容場に対するテスト精度を向上させる。 この利点は、知覚座標がスクランブルされたり、受容場がタスク非関連座標に従うときに消える。 神経細胞の複雑さの増加は、構造化受容野の性能上の優位性を低下させる。 最後に、汎用的なシナプス空間規則化は入力選択性を誘導し、部分的に性能を回復するが、明らかに構造化された受容場以下にとどまり、疎性だけではタスク整列受容場の完全な計算上の利点を回復できないことを示唆している。 この結果から, 適切な受容場は, 空間性自体よりも先に計算の場として機能し, その値は個々のニューロンの計算表現性に依存することが明らかとなった。

関連論文リスト

• BrainWideBench: Benchmarking large-scale pretraining and across-animal transfer in multi-region neural recordings [65.86350451382873]
  マルチリージョンニューラル記録における動物間移動の評価のためのベンチマークであるBrainWideBenchを提案する。 BrainWideBenchは、276の脳領域にまたがる神経と行動の記録の、国際脳研究所のBrainwide Mapデータセット上に構築されている。
  論文  参考訳（メタデータ） (2026-09-18T17:54:32Z)
• Cross-Subject Semantic Decoding with Shared-Space Alignment for Generalized Neural Representation Learning [80.18561652862725]
  被験者全体にわたる一般化は、侵襲的なニューラル記録において難しいままである。 本稿では,複数の被験者からの音声知覚に対するニューラル応答を共有潜在空間に整列させるクロスオブジェクトセマンティックデコーディングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-03T03:59:16Z)
• Auxiliary Metrics Help Decoding Skill Neurons in the Wild [52.148049490080496]
  我々は、特定のスキルをコードするニューロンを分離するための、シンプルで軽量で広く適用可能な方法を紹介した。 我々は,ニューロンの活性化を,外部ラベルやモデル自身の信頼スコアなどの補助的指標と相関する。 我々は,オープンエンドテキスト生成と自然言語推論にまたがるタスクに対して,我々の手法を実証的に検証する。
  論文  参考訳（メタデータ） (2025-11-26T17:31:53Z)
• Task-Optimized Convolutional Recurrent Networks Align with Tactile Processing in the Rodent Brain [5.224210395824017]
  触覚は神経科学では理解されておらず、視覚や言語に比べて人工システムでは効果が低い。 本稿では,現実的な触覚入力シーケンスに基づいてトレーニングされたタスク最適化時間ニューラルネットワークの空間を探索する新しいAttender-Decoder(EAD)フレームワークを提案する。 我々は,畳み込みリカレントニューラルネットワーク(ConvRNN)を,触覚分類のための純粋に前向きおよび状態空間アーキテクチャに優れたエンコーダとして同定する。
  論文  参考訳（メタデータ） (2025-05-23T20:40:28Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Neuronal Correlation: a Central Concept in Neural Network [22.764342635264452]
  神経相関は, 重み行列を用いて効率的に推定できることが示唆された。 神経相関は高次元隠れ空間におけるエントロピー推定の精度に大きく影響している。
  論文  参考訳（メタデータ） (2022-01-22T15:01:50Z)
• And/or trade-off in artificial neurons: impact on adversarial robustness [91.3755431537592]
  ネットワークに十分な数のOR様ニューロンが存在すると、分類の脆さと敵の攻撃に対する脆弱性が増加する。 そこで我々は,AND様ニューロンを定義し,ネットワーク内での割合を増大させる対策を提案する。 MNISTデータセットによる実験結果から,本手法はさらなる探索の方向として有望であることが示唆された。
  論文  参考訳（メタデータ） (2021-02-15T08:19:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。